本文通过搜索单元结构和网络结构两个不同的层次来提高图像分割性能，并设计出了一种有效的基于梯度的架构搜索方法，其结果表明，在不进行 ImageNet 预训练的情况下，Auto-DeepLab 可以达到最先进的性能水平。

Jan, 2019

本文提出了一种神经体系结构搜索 (NAS) 框架，用于自动优化大规模设计空间中的神经体系结构，支持 3D 医学图像分割任务，其优化准确度在基准测试数据集上优于人类设计的 3D U-Net，经过优化的体系结构适用于不同的任务。

Jun, 2019

准确医学图像分割，特别是对于带有无法遗漏的噪声的心脏超声图像，需要精心的网络设计。为解决现有方法在层次特征融合和处理全局关系和局部细节方面的不足，本文提出了一种新颖的半监督混合神经架构搜索网络 (SSHNN)，用于准确的医学图像分割。

Sep, 2023

本论文提出了一种从零开始自动搜索 3D 医学图像分割网络的方法 —— 粗 - 细神经网络结构搜索（C2FNAS），该方法通过将搜索过程分解为宏观拓扑和微观细胞操作两个阶段来规避搜索和部署阶段之间的不一致，最后将该方法应用于 10 个公共数据集上获得了最新的实验结果。

Dec, 2019

这篇论文提出了一个层次化的 NAS 框架（HNAS-Reg），通过卷积操作搜索和网络拓扑搜索，寻找最优网络结构用于可变形医学图像配准，实验证实该方法相比传统方法和两种无监督学习方法，在配准准确性和模型大小方面有明显的改进。

Aug, 2023

本研究提出一种基于强化学习的小样本、低计算力的 NAS 方法，优化了宏搜索空间配置，可用于大规模的 3D 医学图像分割，无需微调、训练时间仅为 1.39 天，性能表现优于手动设计的网络及现有 NAS 方法之最佳结果。

Sep, 2019

本研究提出一种名为 Densely Connected NAS (DCNAS) 的神经架构搜索框架，通过连接细胞并使用可学习的权重来引入密集连接的搜索空间，并通过路径和通道级别的抽样策略设计一个融合模块来降低搜索空间的内存消耗。DCNAS 搜索算法得到的体系结构在公共语义图像分割基准测试中的表现显著优于先前算法。

Mar, 2020

本文提出了一个双目立体匹配中第一个基于任务特定的人类知识的端对端分层神经架构搜索框架，通过优化整个管道的架构，我们的搜索网络优于所有现有的深度立体匹配结构，在多个基准测试中排名前 1，并在网络规模和推理速度上作出了实质性的改进。

Oct, 2020

通过基于双层优化的稀疏概率生成方法，Z0-DARTS + 提高了搜索效率，与最先进的解决方案相比，匹配了状态技术的准确性，并将搜索时间缩短了三倍。

May, 2024

本文提出了一种 Multi-Scale NAS 框架，具有从网络主干到单元操作的多尺度搜索空间和多尺度融合能力，采用部分通道连接方案和两步解码方法来提高计算效率，实验结果表明，MS-NAS 在各种分割数据集上优于现有方法，并实现了 0.6-5.4% mIOU 和 0.4-3.5% DSC 的提高，计算资源消耗减少了 18.0-24.9%。

Jul, 2020